基于局部偏相关的网络重构：一项比较评估
应用统计
2019-05-06 v2
摘要
在过去十年中，人们提出了多种方法用于重构建模为高斯图模型（Gaussian Graphical Models）的网络。本工作中，我们分析了三种不同方法：图套索（Graphical Lasso，GLasso）、图岭回归（Graphical Ridge，GGMridge）与局部偏相关（Local Partial Correlation，LPC）。为评估这些方法，我们使用由模拟随机图（Erdős-Rényi、Barabási-Albert、Watts-Strogatz）生成的高维数据。性能通过受试者工作特征（ROC）曲线进行评估。此外，这些方法被用于重构人类宫颈癌数据中差异表达基因的共同表达网络。LPC 方法在大多数模拟情形中优于 GLasso。GGMridge 产生了优于其他两种方法的 ROC 曲线。最后，LPC 与 GGMridge 在真实数据研究中取得了相似结果。
引用
@article{arxiv.1806.04098,
title = {Network reconstruction with local partial correlation: a comparative evaluation},
author = {Henrique Bolfarine and Lina Thomas and Anatoly Yambartsev},
journal= {arXiv preprint arXiv:1806.04098},
year = {2019}
}
备注
8 pages, 3 figures, 1 table, submited